基于深度学习的交通标志识别

图像识别技术是无人驾驶实现的关键,交通标志识别是图象识别的重要研究方向。选用MATLAB的AlexNet深度神经网络模型,通过迁移学习对交通路标数据集进行训练,将训练结果与传统的局部二值模式和方向梯度直方图进行对比,得到AlexNet模型的交通路标识别准确度为98.79%,后两者分别为86.3%、97.6%,AlexNet模型更优。     

延安东路隧道与东西通道“一体化”火灾联动的思考与研究

上海东西通道工程通车之后,与延安东路隧道连接,形成一条东西走向的特长隧道。因两条设施建造于不同年代,各方面设计存在差异及设备系统功能代差。根据“一体化”运行的要求,现梳理问题,提出优化及解决方案,结合基于YOLO v8神经网络算法的火灾检测技术,应用在隧道雨喷淋视频联动,精确定位,并通过数字孪生技术,辅助启动相关预案。通过试验测试,对比自动联动、人工操作及优化系统的效果,提高延安东路隧道与东西通道火灾联动的准确率。     

三江口大桥扩大基础设计及施工

依托三江口大桥扩大基础的设计和施工,论述了采用扩大基础的大桥在扩基构造、埋置深度、参数取值和基坑回填等方面的细节,提供了相关经验。结果表明,扩大基础造价相对较低,施工周期较短,且施工风险较低。从经济、施工工期和风险控制角度看,在地质条件好的地区,大桥采用扩大基础比其他基础形式更具优势。     

基于深度强化学习与风险矫正的智能车辆决策研究

为实现高速公路环境下车辆的安全决策,提出一种结合深度强化学习和风险矫正方法的行为决策模型。构建决策模型所需的目标车辆及周围车辆的行驶信息,并引入自注意力安全机制,提高车辆在复杂高速场景下对周围潜在危险车辆的注意力,综合考虑行车效率、避障等因素以设计强化学习的奖励函数。此外,为解决强化学习在决策过程中缺乏安全性保障的问题,设计风险矫正模块对决策动作进行风险评估和矫正,避免危险决策的执行。在Highway-env仿真平台上对提出的决策模型进行训练和测试。试验结果表明,提出的决策模型有较高的行车安全率和鲁棒性,其驾驶效率也优于以规则、模仿学习和单纯深度强化学习为基础的决策方法。     

基于PIV试验的积雪平屋面风场特性研究

为研究屋盖积雪对低矮平屋面风场特性的干扰影响,基于风吹雪风洞试验,通过3D打印获得平屋面的3D积雪形态,并以无积雪模型作为对照,系统地开展了PIV (particle image velocimetry)风洞试验,并结合LES(large eddy simulation)方法,研究了6组平屋面建筑有无积雪时的流场分布特性.试验研究表明：当无积雪时,来流在屋面前缘处分离后能形成典型的分离泡流动,分离泡内速度场存在明显逆流现象;当有积雪时,屋面上方的逆流减弱甚至消失,积雪显著地加快了流经屋面附近流场的速度,其最大速度增量约为0.6,同时,流线分布更贴合模型壁面,速度梯度增大,也相对增大了涡量值;积雪会使得屋面上方整体的时均湍动能和切应力均减小,但对屋面迎风区域的平均和脉动风压均有增大作用,其增大比值约为15%和20%.通过该研究可进一步对低矮建筑的风雪荷载作用机理展开分析,为屋盖结构的抗风雪设计提供参考.     

宇文所安《文心雕龙》“文”的深度翻译以及对“文”译概念偏离的调适

“文”作为《文心雕龙》最关键的文论术语,语义内涵与范畴结构非常丰富,导致各种各样的翻译偏离。文章在分析《文心雕龙》“文”的概念内涵与范畴结构的叠合性的基础上,一方面考察深度翻译对宇文所安英译《文心雕龙》中“文”的概念偏离的调适作用,另一方面阐释宇文译本的深度翻译在文化经典外译中的认识论与方法论意义。     

混合交通流环境下基于改进强化学习的可变限速控制策略

现有的可变限速(VSL)控制策略灵活性较差,响应速度较慢,对驾驶人遵从度和交通流状态预测模型的依赖性较高,且单纯依靠可变限速标志(VMS)向驾驶人发布限速值,难以在智能网联车辆(CAVs)与人工驾驶车辆(HDVs)混行的交通环境中实现较好的控制效果。对此,结合深度强化学习无需建立交通流预测模型,能自动适应复杂环境,以及CAVs可控性的优势,提出一种混合交通流环境下基于改进竞争双深度Q网络(IPD3QN)的VSL控制策略,即IPD3QN-VSL。首先,将优先经验回放机制引入深度强化学习的竞争双深度Q网络(D3QN)框架中,提升网络的收敛速度和参数更新效率;并提出一种新的自适应ε-贪婪算法克服深度强化学习过程中探索与利用难以平衡的问题,实现探索效率和稳定性的提高。其次,以最小化路段内车辆总出行时间(TTS)为控制目标,将实时交通数据和上个控制周期内的限速值作为IPD3QN算法的输入,构造奖励函数引导算法输出VSL控制区域内执行的动态限速值。该策略通过基础设施到车辆通信(I2V)向CAVs发布限速信息,HDVs则根据VMS上公布的限速值以及周围CAVs的行为变化做出决策。最后,在不同条件下验...     

基于DCNN-BiLSTM的滚动轴承性能退化因子构建方法

针对如何从多维度特征中提取滚动轴承性能退化信息,构建性能退化因子的问题,提出一种基于DCNN-BiLSTM的混合输入网络。首先利用连续小波变换和24个典型时域频域特征计算公式分别得到滚动轴承振动的二维图像数据和一维时间数据,之后将两种不同维度的数据分别输入至混合输入网络进行训练,然后输入测试集数据得到滚动轴承的性能退化因子,最后利用单调性、预测性、鲁棒性对得到的性能退化因子进行评估。试验结果证明,混合输入网络结合DCNN和Bi-LSTM的优点,可有效提取滚动轴承性能退化信息,得到的性能退化因子综合效果较好。     

黄骅港智慧车站视频智能化应用研究

为提升车站自动化、智能化水平,提高人员作业安全性,有效减轻劳动强度,基于黄骅港站既有监控、监测、调度通信等设备现状,结合车站在实际生产作业和管理中对视频业务的需求,分析视频系统利旧、可用性及智能化等要求,采用增强现实和视频分析技术,设计开发黄骅港智慧车站立体防控云防系统。通过现场验证,该系统在有效保证调车作业安全的同时,降低了室外作业人员劳动强度,减少车站作业人员数量,可解决黄骅港站不同业务场景的管理问题,为铁路智慧车站建设提供思路。     

基于温振融合与深度自编码器的高速动车组轴箱轴承故障诊断模型

因物理监测信息利用不足,动车组轴箱轴承故障诊断存在准确率较低问题。首先,利用高速动车组轴箱轴承试验台获取丰富数据,融合温度特征数据与振动特征数据,并使用主成分分析法进行融合与降维;然后,建立基于温振融合与DAE(深度自编码器)的轴箱轴承故障诊断模型,并通过深度自编码器进行模型训练;最后,用高速动车组轴箱轴承试验台测试集的数据进行模型验证。验证结果表明：与其他对比模型相比,基于温振融合与DAE的轴箱轴承故障诊断模型的诊断准确率更高。